曾 鼎,曾 勇

(1.兰州理工大学土木工程学院,甘肃 兰州 730050; 2.西南交通大学土木工程学院,四川 成都 610031)

0 引 言

泥石流是一种山区常见地质灾害，具有突发性、流量大、破坏力强等特点，常常会冲毁公路、铁路以及村镇，给人们带来巨大的生命财产损失，对其进行提前预测具有极其重要的意义。然而，泥石流形成原因复杂，影响因素众多，而且目前对其形成机理认识仍然不足，要建立一个确定性的预测模型非常困难[1]。

近年来，许多国内外学者采用不同的统计分析方法建立泥石流预测预报模型。BRF神经网络、BP神经网络、Fisher判别法、Bayes判别分析法等方法[2-4]被引入到泥石流的预测预报中，并取得了较好的效果。但这些方法都存在各自的局限性，比如，BP神经网络容易陷入局部最优；BRF神经网络中，如果不能获取最优样本，就无法逼近最优解[5]。将极限学习机(ELM)算法应用到泥石流预测中，该算法通过对隐含层神经元数量的设置，训练输入层矩阵得到输出权重并对预测集输出层进行分类，其特点在于可以随机设定输入层和隐含层之间的权值和隐含层的阈值，并且确定之后不需对其进行调整，隐含层和输出层之间的权值不需要通过迭代调整，而是直接由Moore-Penrose广义逆矩阵的解得来，相比于其他算法，大大地减小了运行时间和操作过程。由于隐含层权值的选择具有随机性，这样虽然增强了算法的泛化能力，但是对分类的稳定性造成了不利影响。因此，本文利用DBSCAN密度聚类算法[7]对ELM算法进行改进和优化，并将其应用到泥石流灾害的预测预报中。……